深度学习 k-空间对图像重建促进高空间分辨率和扫描时间的减少在扩散加权成像乳房MRI

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 乳房的扩散权重成像 (DWI) 通常是耗时的.
• 深度学习 (DL) 为加速MRI获取提供了一个有希望的方法.
• 图像加速对于改善乳腺MRI患者舒适度和吞吐量至关重要.

研究的目的:

• 评估乳腺DWI的联合k-space-to-image重建和超分辨率方法.
• 评估基于DL的重建对扫描时间和图像质量的影响.
• 通过使用先进的DL技术,研究空间分辨率和诊断精度的改进.

主要方法:

• 对133名女性的多参数乳腺MRI数据的回顾性分析.
• 基于深度学习的k空间对图像重建 (DL-DWI) 和超分辨率DL-DWI (SRDL-DWI) 的应用.
• 在标准,DL和SRDL-DWI之间进行信号与噪声比 (SNR),明显扩散系数 (ADC) 和结构相似度指标 (SSIM,NRMSE,SMAPE,LOGAC) 的定量比较.
• 由三个独立的放射科医生进行的主观图像质量评估.

主要成果:

• DL-DWI和SRDL-DWI实现了39%的模拟扫描时间 (3分钟与5分钟相比) 的减少.
• SRDL-DWI获得了最高的主观图像质量评级,并获得了优秀的互读者协议 (ICC 0.834).
• 在DL/SRDL-DWI和标准DWI之间观察到优秀的结构相似性 (SSIM ≥0.86) 和低的voxel-wise错误 (NRMSE ≤0.05,SMAPE ≤0.02,LOGAC ≤0.04).

结论:

• 基于深度学习的k-space-to-image重建有效地减少了39%的乳房DWI扫描时间,而不会影响结构相似性.
• 超分辨率插值显著提高了加速乳腺DWI的主观图像质量.
• 这些先进的DL技术有可能提高乳房MRI的效率和诊断价值.